python中处理坐标的最合适的变量类型

我正在编写python代码，它使用笛卡尔方法和三角法来移动、调整和旋转平面上的形状，并跟踪和报告这些诡计

它不会占用大量计算时间-通常，用户指令会导致单个移动/旋转/调整大小操作

我想知道形状坐标和尺寸对最合适的变量类型是什么，以及为什么

我考虑过的类型是

x = 10
y = -15

list_coords = [x, y]
tuple_coords = (x, y)

import numpy as np
array_coords = np.array([x, y])

import cmath as cm
complex_coords = x + j*y

如果你知道其他好的选择，也请告诉我

---

谢谢

简短回答，元组

从“”线程

元组是异构数据结构（即，它们的条目具有 不同的含义），而列表是同质序列

元组有结构，列表有顺序。 使用这种区别可以使代码更加明确和易懂

由于元组是由异构实体组成的，因此元组是处理坐标系的一种很好的方法，而不是由同态实体的顺序组成。此外，对于元组，坐标运算（如加法和减法）也相当简单

例如：

import operator
a = (1,2,3)
b = (5,6,7)
c = tuple(map(operator.add, a, b))

---

元组也是不可变的。一开始这似乎不方便，但在函数式编程技术中使用这样的不可变数据有很大的优势。

简短回答，Tuple

从“”线程

元组是异构数据结构（即，它们的条目具有 不同的含义），而列表是同质序列

元组有结构，列表有顺序。 使用这种区别可以使代码更加明确和易懂

由于元组是由异构实体组成的，因此元组是处理坐标系的一种很好的方法，而不是由同态实体的顺序组成。此外，对于元组，坐标运算（如加法和减法）也相当简单

例如：

import operator
a = (1,2,3)
b = (5,6,7)
c = tuple(map(operator.add, a, b))

---

元组也是不可变的。起初这似乎不方便，但在函数式编程技术中使用这样的不可变数据有很大的优势。

有很多选择。考虑多边形。在大多数GIS程序中，第一个点和最后一个点被重复以形成闭合，如下面使用numpy的多边形“a”

import numpy as np
a = np.array([[0., 0.], [0., 1000.], [1000., 1000.], [1000., 0.], [ 0., 0.]])
a
array([[    0.,     0.],
       [    0.,  1000.],
       [ 1000.,  1000.],
       [ 1000.,     0.],
       [    0.,     0.]])

上面的数据类型是一个简单的float64。通过按如下方式分配适当的数据类型，可以将其转换为结构化数组：

b = np.zeros((a.shape[0]), dtype=[('Xs', '<f8'), ('Ys', '<f8')])
b['Xs'] = a[:,0]; b['Ys'] = a[:,1]
b 
array([(0.0, 0.0), (0.0, 1000.0), (1000.0, 1000.0), (1000.0, 0.0), (0.0, 0.0)], 
      dtype=[('Xs', '<f8'), ('Ys', '<f8')])

对于具有统一数据类型的标准数组，您可以使用切片来访问X值，对于结构化数组，您可以添加按列名切片的功能，最后，对于recarray，您可以使用object.property表示法

args = [a[:,0], b['Xs'], c.Xs]  # ---- get the X coordinates
print('{}\n{}\n{}'.format(*args))
[    0.     0.  1000.  1000.     0.]
[    0.     0.  1000.  1000.     0.]
[    0.     0.  1000.  1000.     0.]

可以从阵列中的唯一点获取多边形质心

np.mean(a[:-1], axis=0)
array([ 500.,  500.])

事实上，从给定正确形式的数组中很容易获得唯一点

np.unique(b)

array([(0.0, 0.0), (0.0, 1000.0), (1000.0, 0.0), (1000.0, 1000.0)], 
      dtype=[('Xs', '<f8'), ('Ys', '<f8')])

np.unique（b）
数组（[（0.0,0.0），（0.0,1000.0），（1000.0,0.0），（1000.0,1000.0）]，
dType = [（xs），'p>许多选项。考虑多边形。在大多数GIS程序中，第一个和最后一个点被重复以形成闭合，如在下面的多边形A’中使用NUMPY < /P>
import numpy as np
a = np.array([[0., 0.], [0., 1000.], [1000., 1000.], [1000., 0.], [ 0., 0.]])
a
array([[    0.,     0.],
       [    0.,  1000.],
       [ 1000.,  1000.],
       [ 1000.,     0.],
       [    0.,     0.]])

上面的数据类型是一个简单的float64。您可以通过分配适当的数据类型将其转换为结构化数组，如下所示：

b = np.zeros((a.shape[0]), dtype=[('Xs', '<f8'), ('Ys', '<f8')])
b['Xs'] = a[:,0]; b['Ys'] = a[:,1]
b 
array([(0.0, 0.0), (0.0, 1000.0), (1000.0, 1000.0), (1000.0, 0.0), (0.0, 0.0)], 
      dtype=[('Xs', '<f8'), ('Ys', '<f8')])

对于具有统一数据类型的标准数组，您可以使用切片来访问X值，对于结构化数组，您可以添加按列名切片的功能，最后，对于recarray，您可以使用object.property表示法

args = [a[:,0], b['Xs'], c.Xs]  # ---- get the X coordinates
print('{}\n{}\n{}'.format(*args))
[    0.     0.  1000.  1000.     0.]
[    0.     0.  1000.  1000.     0.]
[    0.     0.  1000.  1000.     0.]

可以从阵列中的唯一点获取多边形质心

np.mean(a[:-1], axis=0)
array([ 500.,  500.])

事实上，从给定正确形式的数组中很容易获得唯一点

np.unique(b)

array([(0.0, 0.0), (0.0, 1000.0), (1000.0, 0.0), (1000.0, 1000.0)], 
      dtype=[('Xs', '<f8'), ('Ys', '<f8')])

np.unique（b）
数组（[（0.0,0.0），（0.0,1000.0），（1000.0,0.0），（1000.0,1000.0）]，
dtype=[（'Xs'，'谢谢，我的直觉也告诉我元组听起来不错，但我（a）不知道你能做的映射/运算符之类的事情，（b）正如你所说，我不能做元组[0]这一事实让我有点犹豫=12.但我开始认为这种不便反映了坐标的本质，因为坐标是相关的，如果一个操作可以改变一个，它几乎总是可能改变另一个。谢谢，我的直觉也告诉我元组听起来是对的，但我是（a）不知道你可以做的映射/操作符之类的事情，（b）如你所说，我不能做tuple_coord[0]这一事实让我有点犹豫但是我开始认为这种不便反映了坐标的本质，因为它们是相关的，如果一个操作可以改变一个，那么它几乎总是可能改变另一个。